CN108415372B - 精密机床热误差补偿方法 - Google Patents
精密机床热误差补偿方法 Download PDFInfo
- Publication number
- CN108415372B CN108415372B CN201810200193.3A CN201810200193A CN108415372B CN 108415372 B CN108415372 B CN 108415372B CN 201810200193 A CN201810200193 A CN 201810200193A CN 108415372 B CN108415372 B CN 108415372B
- Authority
- CN
- China
- Prior art keywords
- thermal
- temperature
- machine tool
- error
- formula
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/404—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by control arrangements for compensation, e.g. for backlash, overshoot, tool offset, tool wear, temperature, machine construction errors, load, inertia
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/35—Nc in input of data, input till input file format
- G05B2219/35015—Calculate production compensation, heat shrinkage, overetching
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Automatic Control Of Machine Tools (AREA)
Abstract
本发明属于数控机床加工技术领域,具体公开了一种精密机床热误差补偿方法,旨在解决当建模工况和实际工况差异较大时,因热误差预测模型的预测精度和鲁棒性较差引起的热误差补偿效果不好的问题。本发明方法通过进行热误差实验,采集温度数据序列和热变形数据序列,并经过计算将采集到的温度数据分为两类,然后对分类后的样本数据X进行了特征提取,从而计算确定出最优自变量的权值,以此建立的热误差预测模型具有较高的预测精度和较强的鲁棒性,将之应用于机床上进行热误差补偿,即使是在实际工况与建模工况差异较大的情况下,也能够获得较好的热误差补偿效果。
Description
技术领域
本发明属于数控机床加工技术领域,具体涉及一种精密机床热误差补偿方法。
背景技术
在数控机床精密加工中,热误差已经成为影响零件制造精度的主要因素之一,其占到整个机床制造误差的50~70%。目前,有许多方法可以降低热误差的影响,如采用结构对称设计,使用热膨胀系数低的材料,控制工作间的温度及热误差补偿等方法。由于复杂的热生成机理及不断变化的内外部热源,使得热误差补偿方法被认为是最经济有效的方法。
在热误差补偿技术中,核心问题是建立预测精度高、鲁棒性强的数学模型。而测点的布置及选择是决定模型的预测精度和鲁棒性的关键。
目前,测点选择及优化是先基于工程经验,在机床布置大量温度传感器,再利用统计相关分析选出少量温度传感器建模。由于这种方法选择的最优测点会随着工况的变化而变化,因此,当建模工况和实际工况差异较大时,这样选择的模型变量建立的预测模型的预测精度和鲁棒性较差。
发明内容
本发明提供了一种精密机床热误差补偿方法,旨在解决当建模工况和实际工况差异较大时,因热误差预测模型的预测精度和鲁棒性较差引起的热误差补偿效果不好的问题。
本发明解决其技术问题所采用的技术方案是:精密机床热误差补偿方法,包括下列步骤:
步骤一,在机床上进行热误差实验,采集温度数据序列和热变形数据序列;
其中,温度数据序列为在设定工况下对n个温度测点进行m次温度数据采集得到,表示为样本数据X:
公式(1)中,n和m均为大于1的自然数;
步骤二,对样本数据X进行分类,过程如下:
a.样本数据X的标准化处理;
公式(2)中,xij为样本数据X中第i行第j列的温度测点的温度值;
其次,采用以下公式计算出标准差Sj;
最后,采用以下公式计算出标准化后的温度值x'ij;
b.定义和计算类的直径D;
将样本数据X分为k类,设{x1,xt+1,…,xk}为其中的一种分类,k≥t;上述分类中样本点与它在最小二乘线性回归直线上所得的离差平方和由以下公式表示:
公式(6)中xi表示第i个温度测点的温度;
c.最小误差函数的计算;
将样本数据X分成k类时,任意一种分类的误差函数为各类的直径之和,由以下公式表示:
d.最优解的确定及分类;
把样本数据X分成两类,即k=2;由公式(7)得,当k=2时,最优二分割的误差函数为:
步骤三,采用特征提取算法对分类后的样本数据X进行特征提取,过程如下:
1)样本矩阵X的构造;
2)对样本矩阵X进行变换得Y=[yij]n×m;
公式(10)中,xij和-xij分别表示对正指标和对逆指标;
3)对Y做标准化变换得标准化矩阵Z;
4)计算标准化矩阵Z的样本关系数阵R;
公式(13)中rij表示标准化数据间的相关系数;
5)求特征值;
|R-αIm|=0 公式(14);
公式(14)中,α表示特征值,I表示单位矩阵;
根据公式(14)解得m个特征值α1≥α2…≥αm≥0;
6)利用以下公式确定前q个特征成分对原数据信息的覆盖率αj达到85%以上;
公式(15)中,j=1,2,…,q;
7)计算满足公式(15)所对应的单位化特征向量ki,i=1,2,…,q;
8)得到样本矩阵X的第i个样本特征为ui=kiX,特征优化后的特征变量为:
U=[u1 u2 … uq]T;
9)由上述步骤8)得到两个特征温度值Ta和Tb;Ta和Tb为经过特征提取算法得到的特征提取温度值,a和b为变量系数;
步骤四,通过以下公式确定最优自变量的权值,求解变量系数a和b;
公式(16)中,corcoef()为相关函数,T为综合温度特征变量,E为热膨胀值;
步骤五,根据确定的最优自变量的权值,并结合步骤一中热变形数据序列,建立热误差预测模型;
步骤六,将建立的热误差预测模型应用在与步骤一所测机床相同或者同类型的机床上进行热误差预测,并将预测的热误差数值输入补偿器中对机床热误差进行补偿。
进一步的是,步骤一中,通过在机床热源附近布置温度传感器和误差变形测量传感器分别采集温度数据序列和热变形数据序列。
进一步的是,所述温度传感器和误差变形测量传感器的数量均为n个,n为大于1的自然数;n个温度传感器沿热变形方向均匀分布,且n个误差变形测量传感器沿热变形方向均匀分布。
进一步的是,在热变形的中轴线方向距离热源500mm的范围内的区域为传感器布置区,所述温度传感器和误差变形测量传感器均处于传感器布置区中。
进一步的是,所述误差变形测量传感器包括用于测量主轴热伸长的位移传感器和用于测量进给系统热变形的激光干涉仪器。
进一步的是,任意相邻的两个温度传感器之间的间距及任意相邻的两个误差变形测量传感器之间的间距均为100~150mm。
进一步的是,步骤二采用有序聚类法对样本数据X进行分类。
进一步的是,步骤五中,所建立的热误差预测模型为多元线性回归模型。
本发明的有益效果是:通过进行热误差实验,采集温度数据序列和热变形数据序列,并经过计算将采集到的温度数据分为两类,然后对分类后的样本数据X进行了特征提取,从而计算确定出最优自变量的权值,以此建立的热误差预测模型具有较高的预测精度和较强的鲁棒性,将之应用于机床上进行热误差补偿,即使是在实际工况与建模工况差异较大的情况下,也能够获得较好的热误差补偿效果。
附图说明
图1是本发明方法的流程图;
图2是本发明实施例中ModelⅠ和ModelⅡ的预测效果对比图;
具体实施方式
下面结合附图和实施例对本发明作进一步的说明。
结合图1所示,精密机床热误差补偿方法,包括下列步骤:
步骤一,在机床上进行热误差实验,采集温度数据序列和热变形数据序列;通常,按照国际标准《Test code for machine tools—Part 3:Determination of thermaleffects》(IS0 2303:2001 IDT)进行热误差试验;
该步骤需要在机床热源附近布置温度传感器和误差变形测量传感器,以分别采集温度数据和热变形数据,误差变形测量传感器一般包括用于测量主轴热伸长的位移传感器和用于测量进给系统热变形的激光干涉仪器;布置时,通常沿热变形方向均匀布置n个温度传感器和n个误差变形测量传感器,n为大于1的自然数;
其中,温度数据序列为在设定工况下对n个温度测点进行m次温度数据采集得到,表示为样本数据X;每个样本中包括在试验工况下n个温度测点的温度值,即设各有序样本为(x1,x2,…,xm),每个样本含有n个温度变量;
公式(1)中,n和m均为大于1的自然数;
步骤二,对样本数据X进行分类;优选的,根据实验的温度数据,采用有序聚类法将温度测点分为两类,有序聚类法能够通过类的直径表示类间的差异程度;
该步骤中对样本数据X的处理、分类及最优解的确定可以有多种方式,优选为如下过程:
a.考虑到试验中测得的各变量因子的不同,数值间差别较大,从而造成计算误差增加,先对样本进行标准化处理;
公式(2)中,xij为样本数据X中第i行第j列的温度测点的温度值,即xij为第i组温度数据中的第j个变量的值;
其次,采用以下公式计算出标准差Sj;
最后,采用以下公式计算出标准化后的温度值x'ij;
b.定义和计算类的直径D;
一般,将样本数据X分为k类,由排列组合知识,可能共有分法,设{x1,xt+1,…,xk}为其中的一种分类,k≥t;采用离差平方和作为类的直径D(i,j),上述分类中样本点与它在最小二乘线性回归直线上所得的离差平方和由以下公式表示:
公式(6)中xi表示第i个温度测点的温度;
c.最小误差函数的计算;
将样本数据X分成k类时,任意一种分类的误差函数为各类的直径之和,由以下公式表示:
误差函数是用来衡量分类的好坏,最优解所对应的分类最好;当n和k确定时,e[p(n,k)]越小,表示各类的离差平方和越小,分类越合理;有序聚类法就是正确选择了一种分类p(n,k),使e[p(n,k)]达到最小,从而给出最优分类方法,实现了最优分割;
d.最优解的确定及分类;
把n个温度测点分成两类,即k=2;由公式(7)得,当k=2时,最优二分割的误差函数为:
步骤三,对分类后的样本数据X,采用特征提取算法进行特征提取;该步骤中特征提取的过程可以有多种,优选为如下过程:
1)样本矩阵X的构造;
2)对样本矩阵X进行变换得Y=[yij]n×m;
公式(10)中,xij和-xij分别表示对正指标和对逆指标;
3)对Y做标准化变换得标准化矩阵Z;
4)计算标准化矩阵Z的样本关系数阵R;
公式(13)中rij表示标准化数据间的相关系数;
5)求特征值;
|R-αIm|=0 公式(14);
公式(14)中,α表示特征值,I表示单位矩阵;
根据公式(14)解得m个特征值α1≥α2…≥αm≥0;
6)利用以下公式确定前q个特征成分对原数据信息的覆盖率αj达到85%以上;
公式(15)中,j=1,2,…,q;
7)计算满足公式(15)所对应的单位化特征向量ki,i=1,2,…,q;
8)得到样本矩阵X的第i个样本特征为ui=kiX,特征优化后的特征变量为:
U=[u1 u2 … uq]T;
9)由上述步骤8)得到两个特征温度值Ta,Tb;Ta和Tb为经过特征提取算法后得到的特征提取温度值,a和b为变量系数;
步骤四,确定最优自变量的权值;通过特征变量提取,从两类温度中得到两个温度特征变量,最终目的是通过这两个特征变量得到一个与热膨胀值呈线性关系的综合特征变量;为了构造出一个综合特征变量我们把上述问题用一个约束优化问题来求解;具体的,通过以下公式确定最优自变量的权值,求解变量系数a和b;
公式(16)中,corcoef()为相关函数,T为综合温度特征变量,E为热膨胀值;该步骤中,通过公式(16),并使用lagrange function,可以求得变量系数a,b;
步骤五,根据求得的最优自变量的权值,并结合步骤一中热变形数据序列,建立热误差预测模型;该步骤中,所建立的热误差预测模型优选为多元线性回归模型;
步骤六,将建立的热误差预测模型应用在与步骤一所测机床相同或者同类型的机床上进行热误差预测,并将预测的热误差数值输入补偿器中对机床热误差进行补偿,实现机床的精度提升。
上述步骤一中,为了能够有效测温,在热变形的中轴线方向距离热源500mm的范围内的区域为传感器布置区,温度传感器和误差变形测量传感器均处于传感器布置区中。优选的,任意相邻的两个温度传感器之间的间距及任意相邻的两个误差变形测量传感器之间的间距均为100~150mm。在进行热误差试验的过程中,一般还包括启动机床,设置机床的运动参数,该处最好以常用的加工参数作为实验参数;机床空运行2~3小时,停机1~2小时。需根据实际情况设置数据采样间隔,得到热误差数据和温度数据。
实施例
以一台高精度龙门式五轴镗铣加工中心的进给系统为实验平台;共进行5组进给轴的空载实验,每组的运行参数如表1所示。
表1实验参数
进行热误差建模实验分析,验证补偿效果;
采用C3的温度和定位误差进行建模,使用C1,C2,C4和C5的数据验证模型的预测精度及鲁棒性。
结合图2所示,图中measured代表实验测量值,ModelⅠ代表采用本发明方法建立的模型的补偿效果,ModelⅡ代表使用模糊聚类和灰相关法选择的自变量建立的模型的补偿效果;图2中(a)、(b)、(c)和(d)分别对应C1,C2,C4和C5的工况,ModelⅠ和ModelⅡ预测精度对比见下表2。
表2 ModelⅠ和ModelⅡ预测精度对比
从图2(c)可以发现,由于建模工况C3与C4的工况非常相似,因此ModelⅠ和ModelⅡ的预测效果都非常好。由表2中C4工况下的精度对比可以看出,ModelⅡ甚至比ModelⅠ的预测精度更好。
但是,从图2(a),(b)和(d)中,以及表3中C1,C2和C5工况下可以看出,当预测工况与建模工况差异很大时,ModelⅠ的预测精度虽然也略微下降,但鲁棒性依然很好,其能够达到更好的热误差补偿效果。而ModelⅡ的预测效果却变得非常的糟糕,热误差补偿效果差。
上述分析说明当建模工况与预测工况差异很小时,采用模糊聚类和灰相关预测模型可以得到非常好的预测效果。但如果加工时的工况与建模时工况差异非常大时,采用本发明方法进行机床热误差补偿,具有较高的预测精度和较强的鲁棒性,能够获得较好的热误差补偿效果,提高机床精度。
Claims (8)
1.精密机床热误差补偿方法,其特征在于,包括下列步骤:
步骤一,在机床上进行热误差实验,采集温度数据序列和热变形数据序列;
其中,温度数据序列为在设定工况下对n个温度测点进行m次温度数据采集得到,表示为样本数据X:
公式(1)中,n和m均为大于1的自然数;
步骤二,对样本数据X进行分类,过程如下:
a.样本数据X的标准化处理;
公式(2)中,xij为样本数据X中第i行第j列的温度测点的温度值;
其次,采用以下公式计算出标准差Sj;
最后,采用以下公式计算出标准化后的温度值x'ij;
b.定义和计算类的直径D;
将样本数据X分为k类,设{x1,xt+1,…,xk}为其中的一种分类,k≥t;上述分类中样本点与它在最小二乘线性回归直线上所得的离差平方和由以下公式表示:
公式(6)中xi表示第i个温度测点的温度;
c.最小误差函数的计算;
将样本数据X分成k类时,任意一种分类的误差函数为各类的直径之和,由以下公式表示:
d.最优解的确定及分类;
把样本数据X分成两类,即k=2;由公式(7)得,当k=2时,最优二分割的误差函数为:
步骤三,采用特征提取算法对分类后的样本数据X进行特征提取,过程如下:
1)样本矩阵X的构造;
2)对样本矩阵X进行变换得Y=[yij]n×m;
公式(10)中,xij和-xij分别表示对正指标和对逆指标;
3)对Y做标准化变换得标准化矩阵Z;
4)计算标准化矩阵Z的样本关系数阵R;
公式(13)中rij表示标准化数据间的相关系数;
5)求特征值;
|R-αIm|=0 公式(14);
公式(14)中,α表示特征值,I表示单位矩阵;
根据公式(14)解得m个特征值α1≥α2…≥αm≥0;
6)利用以下公式确定前q个特征成分对原数据信息的覆盖率αj达到85%以上;
公式(15)中,j=1,2,…,q;
7)计算满足公式(15)所对应的单位化特征向量ki,i=1,2,…,q;
8)得到样本矩阵X的第i个样本特征为ui=kiX,特征优化后的特征变量为:
U=[u1 u2 … uq]T;
9)由上述步骤8)得到两个特征温度值Ta和Tb;Ta和Tb为经过特征提取算法得到的特征提取温度值,a和b为变量系数;
步骤四,通过以下公式确定最优自变量的权值,求解变量系数a和b;
公式(16)中,corcoef()为相关函数,T为综合温度特征变量,E为热膨胀值;
步骤五,根据确定的最优自变量的权值,并结合步骤一中热变形数据序列,建立热误差预测模型;
步骤六,将建立的热误差预测模型应用在与步骤一所测机床相同或者同类型的机床上进行热误差预测,并将预测的热误差数值输入补偿器中对机床热误差进行补偿。
2.如权利要求1所述的精密机床热误差补偿方法,其特征在于:步骤一中,通过在机床热源附近布置温度传感器和误差变形测量传感器分别采集温度数据序列和热变形数据序列。
3.如权利要求2所述的精密机床热误差补偿方法,其特征在于:所述温度传感器和误差变形测量传感器的数量均为n个,n为大于1的自然数;n个温度传感器沿热变形方向均匀分布,且n个误差变形测量传感器沿热变形方向均匀分布。
4.如权利要求3所述的精密机床热误差补偿方法,其特征在于:在热变形的中轴线方向距离热源500mm的范围内的区域为传感器布置区,所述温度传感器和误差变形测量传感器均处于传感器布置区中。
5.如权利要求4所述的精密机床热误差补偿方法,其特征在于:所述误差变形测量传感器包括用于测量主轴热伸长的位移传感器和用于测量进给系统热变形的激光干涉仪器。
6.如权利要求4或5所述的精密机床热误差补偿方法,其特征在于:任意相邻的两个温度传感器之间的间距及任意相邻的两个误差变形测量传感器之间的间距均为100~150mm。
7.如权利要求1、2、3、4或5所述的精密机床热误差补偿方法,其特征在于:步骤二采用有序聚类法对样本数据X进行分类。
8.如权利要求7所述的精密机床热误差补偿方法,其特征在于:步骤五中,所建立的热误差预测模型为多元线性回归模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810200193.3A CN108415372B (zh) | 2018-03-12 | 2018-03-12 | 精密机床热误差补偿方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810200193.3A CN108415372B (zh) | 2018-03-12 | 2018-03-12 | 精密机床热误差补偿方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108415372A CN108415372A (zh) | 2018-08-17 |
CN108415372B true CN108415372B (zh) | 2021-03-30 |
Family
ID=63131017
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810200193.3A Active CN108415372B (zh) | 2018-03-12 | 2018-03-12 | 精密机床热误差补偿方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108415372B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111123833B (zh) * | 2019-12-03 | 2023-04-18 | 三明学院 | 一种机床的热误差补偿计算方法、装置、设备和存储介质 |
CN114895627B (zh) * | 2022-05-31 | 2024-06-21 | 安徽工业大学 | 一种分区域机床热误差补偿方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102142091A (zh) * | 2011-03-30 | 2011-08-03 | 东华大学 | 一种核集成优化分类方法 |
CN102658499B (zh) * | 2012-04-20 | 2014-08-06 | 西安交通大学 | 一种精密卧式加工中心主轴热误差补偿方法 |
CN103034169B (zh) * | 2012-12-26 | 2014-11-26 | 西安理工大学 | 一种数控机床热误差建模与补偿的方法 |
CN104898562A (zh) * | 2015-04-27 | 2015-09-09 | 攀枝花学院 | 数控机床热误差补偿的建模方法 |
CN104950808B (zh) * | 2015-07-20 | 2017-05-10 | 攀枝花学院 | 基于加强朴素贝叶斯网络的机床热误差补偿方法 |
CN105666244B (zh) * | 2016-01-06 | 2018-07-13 | 北京工业大学 | 数控镗床热效应下镗杆热伸长误差温度测点约简的方法 |
CN106736848B (zh) * | 2016-12-13 | 2019-04-12 | 西安交通大学 | 数控车床热误差测量补偿系统及补偿方法 |
-
2018
- 2018-03-12 CN CN201810200193.3A patent/CN108415372B/zh active Active
Non-Patent Citations (1)
Title |
---|
Thermal Error Compensation of CNC Machine Based on Data-Driven;wei x等;《2016 IEEE International Conference on Cloud Computing and Big Data Analysis》;20161221;第421-424页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108415372A (zh) | 2018-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110543140B (zh) | 基于时间特性的数控机床主轴系统热关键点选取建模方法 | |
CN111459094B (zh) | 机床主轴热误差建模中温度敏感点组合的分区域选取方法 | |
CN110889091B (zh) | 基于温度敏感区间分段的机床热误差预测方法与系统 | |
CN110716500B (zh) | 用于确定温度敏感区间分段建模点的方法与系统 | |
CN109389314B (zh) | 一种基于最优近邻成分分析的质量软测量与监测方法 | |
CN108415372B (zh) | 精密机床热误差补偿方法 | |
CN114757269A (zh) | 一种基于局部子空间-邻域保持嵌入的复杂过程精细化故障检测方法 | |
CN115409067A (zh) | 一种数控机床组件剩余寿命预测方法 | |
CN111580463A (zh) | 机床热关键点选取方法 | |
CN112541296A (zh) | 一种基于pso-lssvm的so2预测方法 | |
CN114719892A (zh) | 一种基于机器学习的检测元件校准系统 | |
CN117171896A (zh) | 一种汽车转向器输入轴加工优化方法及系统 | |
CN114895627B (zh) | 一种分区域机床热误差补偿方法 | |
CN114926075B (zh) | 基于工时预测的机械零件生产调度方法 | |
CN113780852B (zh) | 一种板带轧制过程质量缺陷的诊断方法 | |
CN112990601B (zh) | 基于数据挖掘的蜗轮加工精度自愈系统及方法 | |
CN110673470B (zh) | 基于局部加权因子模型的工业非平稳过程软测量建模方法 | |
CN112966449B (zh) | 基于变量选择和概率神经网络的制造过程质量缺陷根源诊断方法 | |
CN114970698A (zh) | 一种基于改进lwpls的计量设备运行性能预测方法 | |
Miao et al. | Thermal error modeling method with the jamming of temperature-sensitive points’ volatility on CNC machine tools | |
CN112365022A (zh) | 一种基于多阶段的发动机轴承故障预测方法 | |
Yinghao et al. | Study on optimization of temperature measuring points for machine tools based on Grey Correlation and Kohonen network | |
CN114895630B (zh) | 一种机床热误差预测模型的温度敏感点的选择方法 | |
CN114967592B (zh) | 一种机床热误差温度敏感点的自适应选择方法 | |
CN118051743B (zh) | 一种航空发动机气路故障诊断方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |